自监督学习

📄 DAMOS: Learning Distortion-Aware Speech Quality Assessment through Explicit Distortion Localization 标签：#语音质量评估 #自监督学习 #多任务学习 #模型评估 8.2/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 8.2/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #语音质量评估 | #自监督学习 | #多任务学习 #模型评估 | arxiv 👥 作者与机构 第一作者：Naiyuan Li（Ningbo University，College of Information Science and Engineering） 通讯作者：Diqun Yan 作者列表：Naiyuan Li、Li Dong、Diqun Yan（机构：Ningbo University，College of Information Science and Engineering；Ningbo University of Finance and Economics，College of Artificial Intelligence；浙江省大宗商品数字供应链与人工智能协同创新中心） ...

📄 Dual-Scale State-Space Modeling with Speaker-Wise Dynamic CRF for Speech Emotion Recognition in Conversation 标签：#语音情感识别 #自监督学习 #多任务学习 #说话人日志 8.4/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 清晰 0.8/1 | 影响 1.3/1.5 | 开源 0.2/1.5 | 复现 0.4/0.5 | 工程 1.2/1.5 🔥 8.4/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #语音情感识别 | #自监督学习 | #多任务学习 #说话人日志 | arxiv 👥 作者与机构 第一作者：Guan-Hua Wen（Department of Computer Science and Information Engineering / Graduate Institute of Digital Learning and Education, National Taiwan University of Science and Technology, Taipei, Taiwan） 通讯作者：正文未明确标注 作者列表：Guan-Hua Wen、Kuan-Yu Chen、Hou-Chiang Tseng（机构：Department of Computer Science and Information Engineering；Graduate Institute of Digital Learning and Education, National Taiwan University of Science and Technology, Taipei, Taiwan） ...

📄 FlowSep 2: Self-Supervised Flow Matching for Language-Queried Audio Source Separation 标签：#音频分离 #流匹配 #生成模型 #自监督学习 9.0/10 | 创新 1.9/2 | 严谨 1.5/1.5 | 实验 1.4/1.5 | 清晰 0.8/1 | 影响 1.5/1.5 | 开源 0.2/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 9.0/10 | 前10% | 文档类型：方法研究 | 评分置信度：中 | #音频分离 | #流匹配 | #生成模型 #自监督学习 | arxiv 👥 作者与机构 第一作者：Yi Yuan（University of Surrey，英国） 通讯作者：正文未明确标注 作者列表：Yi Yuan、Xubo Liu、Haohe Liu、Xiyuan Kang、Mark D. Plumbley、Wenwu Wang（机构：University of Surrey，英国；Meta Superintelligence Labs，美国；King’s College London，英国） ...

📄 Multi-Task Learning for Non-Canonical Phoneme Recognition via Articulatory Feature Decomposition 标签：#语音识别 #多任务学习 #自监督学习 #低资源 8.2/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 8.2/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #多任务学习 | #自监督学习 #低资源 | arxiv 👥 作者与机构 第一作者：Sophia Riaz（Kaliber AI，San Mateo，California） 通讯作者：Aneesh Jonelagadda 作者列表：Sophia Riaz、Haoze Zheng、Amos Roche、Miyu Zhang、Anamika Ragu、Salvatore Penachio、Kaustav Mukherjee、Aneesh Jonelagadda（机构：Kaliber AI，San Mateo，California） ...

📄 Self-Supervised Speech Representations Track Spoken Language Convergence to Adult Models in Infants and Children Who Are Deaf/Hard-of-Hearing 标签：#语音属性识别 #自监督学习 #医疗音频 #可解释性 9.7/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 1.5/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 9.7/10 | 前10% | 文档类型：应用研究 | 评分置信度：中 | #语音属性识别 | #自监督学习 | #医疗音频 #可解释性 | arxiv 👥 作者与机构 第一作者：Landon Choy（Stanford University，美国） 通讯作者：正文未明确标注 作者列表：Landon Choy、Ali Sartaz Khan、Sonia Patrizi、Daisy Ye、Julianna Gross、Margaret Cychosz（机构：Stanford University，美国） ...

📄 Does Mapping Non-Maximal Probabilities to GMM Components Matter for S-JEPA Encoder Representations? 标签：#音频理解 #自监督学习 #理论分析 #模型评估 5.6/10 | 创新 1.3/2 | 严谨 1.4/1.5 | 实验 1/1.5 | 清晰 0.7/1 | 影响 0.6/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.3/1.5 📝 5.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频理解 | #自监督学习 | #理论分析 #模型评估 | arxiv 👥 作者与机构 Wenxuan He、Yunpeng Li 为西交利物浦大学智能科学系研究生，Shan Liang（通信作者）任教于同一院系，机构位于中国苏州。研究使用公开的 LibriSpeech 数据，未收集人类被试数据，作者声明无利益冲突。 💡 毒舌点评 这是一篇问题意识清晰、实验纪律近乎苛刻的机制分析小品：为了回答「软 GMM 目标里非最大分量的映射到底重不重要」，作者构造了两个匹配对照，把数值概率结构与类别映射干净地解耦，还做了目标审计、说话人聚类自助法和分级暴露实验——方法论素养远超同类 SSL 分析工作。但也要泼两盆冷水。第一，效应量小得可怜：DeepTailCE 的降幅在千分之几到百分之几之间晃动，Seed B 对 FIXED-RANDPERM 的置信区间直接穿过零点，作者虽然诚实地报告了这一点，但「映射很重要」这一标题级结论的实际效应强度撑不起太大的理论野心。第二，外部效度几乎为零：20 小时 LibriSpeech 子集、51 个说话人、单一 S-JEPA 架构、100 分量固定 GMM、纯线性探针——所有结论都被锁死在这个微型设定里，与社区真正使用的大规模预训练 regime 相距甚远。此外全文没有提及任何代码发布，两个对照构造的实现细节又高度依赖工程选择，第三方想复现这套审计流程会相当吃力。 ...

📄 Listening Forward: Next Patch Embedding Prediction Enables Scalable Audio Learners 标签：#音频理解 #自监督学习 #Transformer #预训练 8.8/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.8/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #自监督学习 | #Transformer #预训练 | arxiv 👥 作者与机构 Umberto Cappellazzo、Stavros Petridis、Maja Pantic 来自帝国理工学院，Xubo Liu 来自萨里大学。论文首页提供项目页与代码链接（HTML 超链接形式），致谢中感谢 Nvidia 研究员的讨论。 💡 毒舌点评 这是那种让整个子领域重新审视自己「配方复杂度」的论文：当音频自监督学习卷到需要重建解码器、声学分词器、EMA 教师网络和正则化辅助损失齐上阵时，作者只用了因果掩码加停止梯度就做到了与最强方法打平——AS-2M 上 50.18 mAP 追平依赖音频混合监督与学生教师架构的 SSLAM，IEMOCAP 上以 3.5 个点的优势大幅刷新。设计哲学的克制（极简配方）与实验的全面（六基准、三规模、逐层探针、注意力可视化）形成了少见的平衡。但严格审视仍有几处值得较真。其一，「追平 SSLAM」的说法要打折：SSLAM 的预训练数据与 NAPE 并不完全同口径，50.2 对 50.18 的差距在无方差报告的情况下无法解读为等价。其二，全部实验没有多种子方差或置信区间，自监督训练对种子和超参敏感是常识，单点数字的说服力有限。其三，因果扫描顺序虽然被论证为音频的关键设计轴，但对角扫描相对光栅的优势幅度很小且随规模变化，这一「音频特有设计轴」的实际重要性可能被叙事放大了。其四，线性探针绝对值偏低（AS-2M 最高 27.1 mAP），说明预测目标与线性可分性的错位真实存在，特征要用起来还是得微调。 ...

📄 The Last Mile of Deepfake Speech Detection: An Industry-Academia Experience Report 标签：#语音伪造检测 #自监督学习 #工业应用 #模型评估 6.6/10 | 创新 1.4/2 | 严谨 1/1.5 | 实验 0.6/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.3/1.5 ✅ 6.6/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #语音伪造检测 | #自监督学习 | #工业应用 #模型评估 | arxiv 👥 作者与机构 第一作者：Anton Firc（按作者顺序首位） 通讯作者：未说明 作者列表：Anton Firc、Kamil Malinka、Vojtěch Staněk、Miroslav Hlaváček、Marek Bartoň 机构：Security@FIT, Brno University of Technology, Czech Republic；Phonexia, Brno, Czech Republic 项目资助：Czech Ministry of the Interior，SECTECH 安全研究项目 “Tools to Combat Voice DeepFakes”（项目号 VB02000060）；Brno University of Technology 内部项目 FIT-S-26-9011 用户组织：Czech Police 利益冲突：作者包含 Phonexia 员工，Phonexia 是该技术的商业厂商 生成式 AI 使用声明：作者在语言润色和文本修改中使用了 Google Gemini、ChatGPT 和 Grammarly 注：论文未将每位作者与机构逐一对应；正文中以 [University] 和 [Company] 指代合作双方，地址信息显示机构为 Brno University of Technology 与 Phonexia。 ...

📄 A survey of AI-generated voices and their detection 标签：#语音伪造检测 #语音大模型 #语音合成 #语音克隆 #自监督学习 6.1/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.9/1.5 ✅ 6.1/10 | 前50% | 文档类型：综述 | 评分置信度：中 | #语音伪造检测 | #语音大模型 | #语音合成 #语音克隆 | arxiv 👥 作者与机构 第一作者：Chengzhe Sun（纽约州立大学布法罗分校计算机科学与工程系） 通讯作者：Siwei Lyu（纽约州立大学布法罗分校计算机科学与工程系） 作者列表：Chengzhe Sun（纽约州立大学布法罗分校计算机科学与工程系）、Tianle Yang（纽约州立大学布法罗分校语言学系）、Siwei Lyu（纽约州立大学布法罗分校计算机科学与工程系） 💡 毒舌点评 这是一篇把语音学/生理学视角拉进音频深伪检测的综述，方向上比单纯罗列模型更有洞察力。但作为“survey”，它没有可复现的检索协议，更像是作者熟悉工作的地图；参考文献管理有明显瑕疵，XTTS 出现两条高度重合条目。没有代码、权重或统一 benchmark，对工程实践者而言只能是导览，不是工具箱。 ...

📄 Contrastive Learning with Variational Regularization for Multi-Session EEG-to-Speech Decoding 标签：#语音合成 #对比学习 #变分自编码器 #自监督学习 5.9/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 0.9/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.7/1.5 📝 5.9/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音合成 | #对比学习 | #变分自编码器 #自监督学习 | arxiv 👥 作者与机构 第一作者：Tomoaki Mizuno（The University of Electro-Communications, Tokyo, Japan） 通讯作者：未明确标注；第一作者邮箱为 t.mizuno2301@uec.ac.jp 作者列表：Tomoaki Mizuno（The University of Electro-Communications, Tokyo, Japan）、Toru Nakashika（The University of Electro-Communications, Tokyo, Japan） 💡 毒舌点评 这篇文章在单被试 SpREAD 数据集上，把 MoCo 跨会话对比学习和不传入 decoder 的变分正则化拼接在一起，得到 CER 从 0.968 降到 0.948、PCC 仅恢复到 baseline 水平的微小改进，没有跨数据集/跨被试验证，也没有与已发表 EEG-to-speech SOTA 横向对比。比较干净的是利用同一刺激三次重复记录构造正样本对，session probing 确实降到 chance level；但“VR 恢复 PCC”仅靠 h_bar 标准差的观察支撑，机制解释停留在“方差变宽”层面，且 SPA 提升未达显著仍被反复作为趋势讨论，有一定过度解读。未开源、训练细节缺失，复现门槛不低。 ...